Omniprésente dans notre société, la presse traite souvent de l’endettement des pays, en donnant une vision pessimiste des situations économiques des pays, notamment en Europe. La montée en puissance des pays émergents, tant sur le plan politique qu’économique renforce ce sentiment d’impuissance chez les populations européennes.
Il nous a semblé judicieux d’étudier l’évolution des réserves d’or de ces pays plutôt que leur endettement, afin d’avoir une vision différente de ce que les journaux font paraître habituellement.
Dans notre étude, nous avons utilisé une base de données qui se trouve sur le site data.gouv.fr. Cette base de données représente les réserves d’or de 28 pays européens au cours du temps (du 31 mars 2000 jusqu’au 31 mars 2014) regroupés dans un tableur Excel. Sous chaque pays, se déclinent 4 sous-colonnes : la première correspond aux réserves d’or en tonnes, la seconde colonne la conversion de ces réserves en millions de dollars américains, la troisième sa réserve de change en millions de dollars américains et la dernière le total en dollars américains des deux dernières colonnes.
Par la suite, on traitera un dataset simplifié qui ne gardera que la permière sous-colonne de chaque pays, c’est-à-dire sa réserve d’or en tonnes. Il se trouve sous format csv au nom de european-reserves-by-country-simplified.csv au lien suivant.
# Import des données
data <- read.table("https://raw.githubusercontent.com/estherjamet/Visualization-Project/master/european-reserves-by-country-simplified.csv", header = TRUE, sep = ";")
# Visualisation de la base de données
data %>% head()# Statistiques simples des données
summary(data[2:29]) # on n'étudie pas la première colonne, correspondant aux dates## Austria Belgium Bulgaria Croatia
## Min. :280.0 Min. :227.4 Min. :39.56 Min. : 0.0000
## 1st Qu.:280.0 1st Qu.:227.5 1st Qu.:39.83 1st Qu.: 0.0000
## Median :288.7 Median :227.6 Median :39.88 Median : 0.0000
## Mean :303.7 Mean :239.3 Mean :39.87 Mean : 0.2304
## 3rd Qu.:317.5 3rd Qu.:257.9 3rd Qu.:39.91 3rd Qu.: 0.0000
## Max. :407.5 Max. :258.1 Max. :40.00 Max. :13.1300
## Cyprus Czech.Republic Denmark Estonia
## Min. :13.87 Min. :10.72 Min. :66.55 Min. :0.25
## 1st Qu.:13.87 1st Qu.:12.70 1st Qu.:66.55 1st Qu.:0.25
## Median :14.43 Median :13.45 Median :66.55 Median :0.25
## Mean :14.20 Mean :13.08 Mean :66.56 Mean :0.25
## 3rd Qu.:14.47 3rd Qu.:13.75 3rd Qu.:66.56 3rd Qu.:0.25
## Max. :14.48 Max. :13.87 Max. :66.60 Max. :0.25
## Finland France Germany Greece
## Min. :49.05 Min. :2435 Min. :3386 Min. :107.2
## 1st Qu.:49.05 1st Qu.:2435 1st Qu.:3402 1st Qu.:111.5
## Median :49.14 Median :2689 Median :3423 Median :112.1
## Mean :49.11 Mean :2719 Mean :3424 Mean :114.4
## 3rd Qu.:49.14 3rd Qu.:3025 3rd Qu.:3440 3rd Qu.:113.0
## Max. :49.14 Max. :3025 Max. :3469 Max. :132.6
## Hungary Ireland Italy Latvia
## Min. :3.080 Min. :5.470 Min. :2452 Min. :6.620
## 1st Qu.:3.080 1st Qu.:5.470 1st Qu.:2452 1st Qu.:7.730
## Median :3.080 Median :5.470 Median :2452 Median :7.740
## Mean :3.097 Mean :5.695 Mean :2452 Mean :7.717
## 3rd Qu.:3.140 3rd Qu.:6.000 3rd Qu.:2452 3rd Qu.:7.740
## Max. :3.140 Max. :6.000 Max. :2452 Max. :7.750
## Lithuania Luxembourg Malta Netherlands
## Min. :5.780 Min. :2.240 Min. :0.0800 Min. :612.5
## 1st Qu.:5.790 1st Qu.:2.240 1st Qu.:0.1200 1st Qu.:612.5
## Median :5.790 Median :2.300 Median :0.1900 Median :640.9
## Mean :5.799 Mean :2.296 Mean :0.2025 Mean :710.3
## 3rd Qu.:5.820 3rd Qu.:2.330 3rd Qu.:0.2200 3rd Qu.:836.7
## Max. :5.820 Max. :2.390 Max. :0.5000 Max. :911.8
## Poland Portugal Romania Slovakia
## Min. :102.8 Min. :382.5 Min. :103.7 Min. :31.79
## 1st Qu.:102.9 1st Qu.:382.5 1st Qu.:103.7 1st Qu.:31.79
## Median :102.9 Median :382.6 Median :104.5 Median :35.12
## Mean :102.9 Mean :451.9 Mean :104.4 Mean :34.33
## 3rd Qu.:102.9 3rd Qu.:517.1 3rd Qu.:105.0 3rd Qu.:35.12
## Max. :102.9 Max. :606.8 Max. :105.3 Max. :40.12
## Slovenia Spain Sweden United.Kingdom
## Min. :0.010 Min. :281.6 Min. :125.7 Min. :310.2
## 1st Qu.:3.170 1st Qu.:281.6 1st Qu.:125.7 1st Qu.:310.2
## Median :3.200 Median :376.9 Median :156.2 Median :310.3
## Mean :4.449 Mean :394.7 Mean :155.5 Mean :333.0
## 3rd Qu.:7.550 3rd Qu.:523.4 3rd Qu.:185.4 3rd Qu.:313.2
## Max. :7.560 Max. :523.5 Max. :185.4 Max. :588.3Le dataset contient 57 lignes et 29 colonnes.
La base de données contient différentes séries temporelles. D’après le site “data to viz”, nous avions le choix entre différents types de graphiques. Nous pouvions utiliser les graphiques suivants: boxplot, violin, ridgeline, heatmap, lineplot, stacked area et stream graph.
Nous avons choisi de traiter les deux graphiques suivants: boxplot et heatmap, puisqu’ils appartiennent à deux catégories de graphiques différentes ; le boxplot est un graphique de distribution et le heatmap un graphique de corrélation, nous permettant ainsi d’extraire un maximum d’informations pertinentes.
# On met les noms en ligne, chaque valeur de réserve en or doit avoir un nom associé qui est celui de son pays
nom <- sort(rep(names(data)[2:29],57))
# On initialise la ligne où seront stockées les valeurs des réserves d'or de tous les pays de l'union européenne
value <- c(seq(1,1596))
# On initialise la ligne où seront stockées les valeurs des moyennes des réserves d'or par pays
moyenne <-c(seq(1,1596))
# On met en ligne les valeurs des réserves d'or de tous les pays de l'Union Européenne
for(i in seq(2,29))
for(j in seq(1,57))
value[((i-2)*57+j)] <- data[j,i]
# On calcule la moyenne dans une autre boucle double car ainsi les valeurs sont déjà mises en ligne
for(i in seq(2,29))
for(j in seq(1,57))
moyenne[((i-2)*57+j)] <- round(mean(value[((i-2)*57):((i-1)*57)]),2)
# On crée le nouveau dataset à partir de nom et value
data2 <- data.frame(nom, value)
# On plot le graphique
p <- qplot(
x = nom,
y = value,
z = moyenne,
data = data2,
main = "Boxplot des réserves d'or en tonnes selon les pays de l'UE",
xlab = "Nom du pays",
ylab = "Quantité d'or en tonnes",
geom = c("boxplot", "jitter", "point")
) +
coord_flip() # on échange les axes
ggplotly(p) # le graphique devient interactifLe boxplot permet de tracer toutes les valeurs statistiques obtenues avec la fonction “summary” auparavant, la moyenne apparaissant sur le curseur. Cependant, le boxplot ne nous permet pas de connaître les valeurs de chaque donnée d’où le besoin de tracer les nuages de points sur le graphique suivant.
On remarque que la plupart des pays de l’Union Européenne ont des réserves en or constantes. C’est le cas de la Bulgarie, de la Croatie, de Chypre, du Danemark, de la République Tchèque, de l’Estonie, de la Finlande, de l’Hongrie, de l’Irlande, de l’Italie, de la Lituanie, de la Lettonie, du Luxembours, de Malte, de la Pologne, de la Roumanie, de la Slovaquie et de la Slovénie.
Ces 21 pays représentent 75% des pays de l’Union Européenne. Peut-on considérer que l’économie de ces pays est menacée ? Probablement non. Intéressons-nous maintenant à leur évolution au cours de ces dernières années.
# On fait de notre sous-dataset data[,2:29] une matrice.
# La première colonne sera utilisée pour l'axe des ordonnées
a <- as.matrix(data[, 2:29])
# On trace le heatmap avec en abscisses les pays, et en ordonnées les dates de mesure des réserves d'or des différents pays
plot_ly(
x = names(data[2:29]),
y = data[, 1],
z = a,
colors = brewer.pal(9,"YlOrRd"),
type = "heatmap"
)Comme sur le boxplot, on remarque que des pays européens sortent du lot : la France, l’Allemagne et l’Italie possèdent des réserves d’or bien plus importantes que les autres pays (contraste très marqué par les couleurs). Nous remarquons que seules les réserves en or françaises ont chuté de manière significative entre les années 2000 et 2014 (rouge moins prononcé en 2013), passant de 3024 tonnes à 2435 tonnes soit une diminution de 19%. Les autres pays de l’Union Européenne ont une réserve d’or constante ou qui a connu une légère baisse, souvent de 300 tonnes (Espagne, Royaume-Uni et Pays-Bas).
Si on considère les chiffres relatifs, les Pays-Bas ont connu une chute de leur réserve d’or de 33%, le Portugal de 36%, l’Espagne de 46% et le Royaume-Uni de 47%. Cela semble important, pourtant la quantité d’or qu’ils ont perdu est deux fois moins importante que celle de la France.
Pour conclure, la France semble avoir une économie en déclin en raison d’une chute importante de ses tonnes d’or en comparaison avec l’Allemagne ou l’Italie qui ont des réserves similaires. La plupart des autres pays de l’Union Européenne ont eu des réserves d’or quasi-constantes entre 2000 et 2014, alors que la France a vu sa réserve d’or chuter de 589 tonnes soit de 19%.
Cependant, en termes de proportion, les pourcentages montrent que les Pays-Bas, le Portugal, l’Espagne et le Royaume-Uni subissent le plus de perte de leur réserve d’or, d’autant plus que ces derniers possèdent une réserve d’or déjà peu importante. Bien sûr, dans cette étude, les réserves d’or ne sont qu’un indicateur très limité et limitant qui ne permet pas de totalement déterminer l’économie et la santé financière d’un pays.
A work by Alexis CARBILLET, Benjamin GRONDIN, Esther JAMET